bp神经网络进行多项式函数的逼近.docVIP

神经网络及应用 实验报告 院系 ：电气工程学院 班级 ：adf3班 姓名 ：adsf 学号 ：20sdf  实验二、基于BP网络的多层感知器 一：实验目的： 1. 理解多层感知器的工作原理 2. 通过调节算法参数了解参数的变化对于感知器训练的影响 3. 了解多层感知器局限性 二：实验原理： BP的基本思想：信号的正向传播 误差的反向传播 –信号的正向传播：输入样本从输入层传入，经各隐层逐层处理后，传向输出层。 –误差的反向传播：将输入误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号来作为修正各单元权值的依据。 基本BP算法的多层感知器模型： 2.BP学习算法的推导： 当网络输出与期望输出不等时，存在输出误差E 将上面的误差定义式展开至隐层，有 进一步展开至输入层，有 调整权值的原则是使误差不断地减小，因此应使权值的调整量与误差的梯度下降成正比，即 η∈(0,1)表示比例系数，在训练中反应学习速率 BP算法属于δ学习规则类，这类算法被称为误差的梯度下降（Gradient Descent）算法。 三：实验内容： Hermit多项式如下式所示：f(x)=1.1(1-x+2x^2)exp(-x^2/2) 采用BP算法设计一个单输入单输出的多层感知器对该函数进行逼近。